Montar un ordenador para ejecutar modelos de inteligencia artificial en local se ha complicado mucho en 2026. La memoria se ha convertido en uno de los componentes que más condicionan tanto el precio como el tamaño del modelo que puede ejecutarse, mientras la demanda de los centros de datos está absorbiendo buena parte del crecimiento de la producción. El resultado se nota en la DRAM, los SSD y las tarjetas gráficas, hasta el punto de que algunas recomendaciones habituales de hace apenas un año necesitan revisarse.
Las claves del hardware para IA local en 20 segundos
- TrendForce prevé que el déficit de memoria continúe y que la demanda ligada a IA siga creciendo.
- La RTX 5090 mantiene 32 GB de VRAM, pero su precio de mercado supera ampliamente los 1.999 dólares de lanzamiento.
- La veterana RTX 3090 ofrece 24 GB y sigue teniendo interés en segunda mano.
- gpt-oss-20b necesita unos 16 GB, mientras gpt-oss-120b está diseñado para funcionar con 80 GB.
- Los equipos con memoria unificada de gran capacidad ganan atractivo para modelos que ya no caben en una GPU de consumo.
La situación parte de un cambio que va mucho más allá del mercado de ordenadores domésticos. TrendForce estimaba en febrero que los precios contractuales de la DRAM convencional podían crecer entre un 90 % y un 95 % trimestral durante el primer trimestre de 2026, mientras que la DRAM destinada a PC podía al menos duplicar su precio.
En el segundo trimestre la consultora seguía esperando incrementos del 58 % al 63 % para la DRAM convencional. Los fabricantes están dedicando más capacidad a servidores, High Bandwidth Memory (HBM) y productos relacionados con centros de datos.
Y no parece un problema de unas pocas semanas. En julio TrendForce advertía de que el crecimiento de la demanda vinculada a inteligencia artificial podría continuar superando la expansión de la oferta durante 2027.
Para quien quiere ejecutar un Large Language Model (LLM) en casa o en la oficina, esta transformación cambia una pregunta básica: ya no basta con buscar la GPU que más operaciones por segundo ofrece dentro del presupuesto. Hay que empezar preguntándose cuánta memoria necesita realmente el modelo.
La memoria vuelve a mandar sobre la potencia de cálculo
Los LLM necesitan almacenar sus pesos en memoria durante la inferencia. Cuanto mayor es el modelo, mayor es normalmente esa necesidad, aunque la cuantización permite reducir considerablemente el espacio necesario representando los pesos con menor precisión.
Por eso aparecen continuamente referencias como Q4, Q6 u 8 bits cuando se habla de IA local.
La diferencia práctica puede ser enorme.
OpenAI explica, por ejemplo, que gpt-oss-20b puede funcionar con 16 GB de memoria, mientras que gpt-oss-120b está diseñado para ejecutarse dentro de los 80 GB de una única GPU. Ambos modelos utilizan cuantización MXFP4.
Eso permite establecer una primera orientación aproximada:
| Memoria disponible | Uso razonable en IA local |
|---|---|
| 8-12 GB | Modelos pequeños y cuantizados |
| 16 GB | Modelos como gpt-oss-20b y otros de tamaño similar |
| 24 GB | Modelos cuantizados alrededor de 20B-30B, según arquitectura y contexto |
| 32-48 GB | Más margen para modelos medianos y contextos mayores |
| 64 GB | Modelos considerablemente mayores mediante memoria unificada o CPU/GPU |
| 80 GB o más | Entrada en modelos como gpt-oss-120b |
| 128 GB | Más posibilidades con modelos grandes y configuraciones MoE |
No son fronteras absolutas. La memoria necesaria cambia según la cuantización, el contexto, la caché KV, el runtime utilizado y la arquitectura del propio modelo.
Además, que un modelo quepa en memoria no significa que vaya a ejecutarse rápidamente.
Ese es uno de los errores más frecuentes al comparar hardware para IA local.
La RTX 3090 se niega a jubilarse
Una de las consecuencias más curiosas del mercado actual es que una GPU presentada por NVIDIA en 2020 sigue resultando atractiva seis años después.
La GeForce RTX 3090 dispone de 24 GB de GDDR6X y 936 GB/s de ancho de banda de memoria.
Su consumo de 350 W, antigüedad y ausencia de las mejoras de las arquitecturas más recientes juegan en su contra. Pero hay algo difícil de sustituir: esos 24 GB.
En el mercado de segunda mano se encuentran actualmente unidades alrededor de los 1.000-1.200 euros, aunque el precio cambia mucho según modelo, estado y país. También aparecen ofertas más económicas y otras claramente infladas.
Para ejecutar modelos locales de alrededor de 30.000 millones de parámetros cuantizados, esos 24 GB pueden resultar más interesantes que una GPU moderna con solamente 16 GB.
Ahí aparece una paradoja interesante de 2026: una GPU más nueva y rápida puede ser peor compra para determinados LLM si tiene menos VRAM.
Una RTX 5070 Ti o RTX 5080 con 16 GB puede superar ampliamente a una RTX 3090 en diferentes cargas de cálculo, pero no puede almacenar un modelo que necesite 20 GB únicamente porque su procesador sea más rápido.
La capacidad establece primero qué puede cargarse. La velocidad determina después cómo se ejecuta.
La RTX 5090 tiene otro problema: su precio
La GeForce RTX 5090 representa el extremo contrario.
NVIDIA la lanzó con 32 GB de GDDR7 y un precio recomendado de 1.999 dólares, unas especificaciones excelentes para IA local además de para gráficos.
El problema está en la tienda.
Durante agosto de 2026 se han encontrado RTX 5090 por encima de 4.300 dólares, mientras análisis del mercado estadounidense sitúan algunos precios medios alrededor de 4.700 dólares.
La situación ha llegado al punto de que NVIDIA ofreció unidades Founders Edition a su precio recomendado durante QuakeCon 2026 como una oportunidad excepcional frente a los precios habituales del mercado.
Eso no convierte la RTX 5090 en una mala GPU para inteligencia artificial. Técnicamente es justo lo contrario.
Pero pagar más de 4.000 dólares por 32 GB obliga a comparar otras alternativas si el objetivo principal es ejecutar LLM y no jugar, renderizar o aprovechar específicamente su capacidad de cálculo.
Por una cantidad similar puede empezar a tener sentido buscar sistemas con mucha más memoria, utilizar varias GPU o directamente alquilar aceleradores profesionales.
Apple Silicon y Strix Halo juegan otra partida
Aquí entran los ordenadores con memoria unificada.
En una GPU convencional, el sistema dispone de RAM para la CPU y VRAM dedicada para la tarjeta gráfica. Apple Silicon y plataformas como AMD Ryzen AI Max adoptan arquitecturas en las que CPU y GPU pueden trabajar sobre un espacio de memoria compartido.
Para IA local esto tiene una ventaja evidente: permite construir equipos con mucha más memoria accesible por la GPU sin tener que comprar una aceleradora profesional con 80 GB.
Pero conviene corregir algunas afirmaciones que están circulando en guías recientes.
Apple sigue vendiendo actualmente el Mac mini M4 básico con 16 GB de memoria y 256 GB de almacenamiento, según su propia tienda española. También continúa comercializando el Mac mini con M4 Pro.
Por tanto, no es correcto afirmar de forma general que Apple haya eliminado el Mac mini básico.
Donde sí se observan cambios es en las configuraciones superiores. La ficha actual del Mac Studio muestra el M4 Max con 36 GB y posibilidad de llegar a 64 GB, mientras que el M3 Ultra parte de 96 GB.
Esto importa porque durante un tiempo los Mac con grandes cantidades de memoria unificada se convirtieron en una alternativa especialmente atractiva para IA local.
No ofrecen CUDA, algo decisivo para determinados proyectos, pero frameworks como MLX, llama.cpp y Ollama permiten aprovechar Apple Silicon para numerosos modelos.
AMD tiene una alternativa especialmente interesante: Strix Halo
El otro nombre que aparece cada vez más en estas conversaciones es Ryzen AI Max+ 395, conocido por el nombre de plataforma Strix Halo.
AMD combina CPU Zen 5 y una GPU Radeon integrada considerablemente más potente que las integradas tradicionales, con acceso a grandes cantidades de memoria.
Existen equipos con esta plataforma y hasta 128 GB de memoria unificada, una cifra muy difícil de conseguir con una GPU convencional de consumo.
El interés está precisamente ahí.
No se compra únicamente potencia de GPU. Se compra un espacio de memoria suficientemente grande para cargar modelos que simplemente no caben en una RTX con 16, 24 o 32 GB.
Eso no significa que un Strix Halo de 128 GB vaya a superar en velocidad a una RTX 5090.
Probablemente esa sea la comparación equivocada.
La cuestión es que puede ejecutar determinadas cargas que una GPU de 32 GB no puede almacenar completamente, aunque después genere tokens más lentamente.
Para laboratorios domésticos, desarrollo, agentes locales y experimentación con modelos grandes, esa diferencia puede ser más importante que ganar unos cuantos tokens por segundo.
128 GB tampoco significan que cualquier modelo pueda ejecutarse
Otro error habitual consiste en considerar los 128 GB como una especie de frontera definitiva.
Los modelos actuales demuestran que no lo es.
Un sistema con 128 GB ofrece muchísimo margen para inferencia local, especialmente con cuantización, pero los modelos más grandes pueden superar ampliamente esa capacidad.
Además hay que reservar memoria para el sistema operativo, runtime, caché KV, contexto y otras operaciones.
La arquitectura también importa. Los modelos Mixture of Experts (MoE) activan solamente una parte de sus parámetros durante cada inferencia, lo que reduce las necesidades de cálculo, pero los pesos del modelo continúan teniendo que almacenarse de alguna manera.
Por eso el número total de parámetros, los parámetros activos y la memoria necesaria no deben utilizarse como si fueran la misma métrica.
El mapa práctico de compra en 2026
Con los precios actuales, una orientación razonable podría quedar así:
| Presupuesto aproximado | Hardware | Memoria para IA | Perfil |
|---|---|---|---|
| 0 € | PC existente | RAM disponible | Probar modelos pequeños |
| 250-400 € | RTX 3060 usada/nueva | 12 GB VRAM | Entrada a CUDA |
| 800-1.200 € | RTX 3090 usada | 24 GB VRAM | Muy interesante para 20B-30B cuantizados |
| 1.500-2.500 € | Mac / Strix Halo | 32-128 GB según equipo | IA local con memoria unificada |
| 2.000-3.500 € | Strix Halo 128 GB | hasta 128 GB | Modelos grandes priorizando capacidad |
| >4.000 € | RTX 5090 / workstation | 32 GB o más | Alto rendimiento, CUDA y usos mixtos |
| Variable | GPU cloud | 80-192 GB o más | Uso ocasional de modelos grandes |
Los precios son orientativos y pueden cambiar rápidamente. En 2026 conviene comprobar el coste real el mismo día de la compra.
Y hay otra variable que muchas comparativas olvidan: electricidad.
Una RTX 3090 tiene un consumo gráfico de referencia de 350 W. Un equipo con una o varias GPU funcionando durante muchas horas termina convirtiendo el precio energético en una parte importante del coste total.
A veces la mejor GPU para casa está en un centro de datos
La subida del hardware también hace más interesante una alternativa aparentemente contradictoria con la IA local: no comprarlo.
Para alguien que necesita experimentar unas horas a la semana con modelos grandes, alquilar una H100, H200, MI300X u otra GPU profesional puede resultar económicamente más razonable que invertir miles de euros en un equipo que permanecerá apagado la mayor parte del tiempo.
La comparación no puede reducirse a multiplicar el precio por hora hasta alcanzar el coste de la tarjeta.
En cloud también existen costes de almacenamiento, transferencia de datos y tiempo de preparación. Y mantener modelos de cientos de gigabytes descargados puede encarecer una instancia que aparentemente era barata.
El hardware propio ofrece además otras ventajas: disponibilidad permanente, ausencia de coste por hora y, sobre todo, control sobre los datos.
Para documentos confidenciales, código privado, información empresarial o agentes que funcionan continuamente, esa independencia puede justificar económicamente una máquina local aunque su coste inicial sea superior.
Para ejecutar un modelo grande cuatro horas al mes ocurre justamente lo contrario.
La crisis de memoria no parece terminar mañana
La parte menos favorable para quien está esperando una rápida normalización aparece en las previsiones de la industria.
TrendForce considera que la expansión de los agentes de IA está aumentando estructuralmente el consumo de memoria. Las inferencias dejan de ser una única petición para convertirse en cadenas de operaciones, mientras los contextos largos aumentan la memoria necesaria para la caché KV.
La consultora elevó en mayo su previsión del mercado mundial de memoria para 2026 hasta 889.300 millones de dólares y espera que supere los 1,28 billones de dólares en 2027.
Es una revisión enorme de sus estimaciones anteriores.
Además, Samsung, SK hynix y Micron están ampliando capacidad, pero una parte importante de las nuevas inversiones responde precisamente a HBM, servidores y productos relacionados con IA.
No significa que la RAM de consumo vaya a subir indefinidamente ni que todos los componentes vayan a encarecerse al mismo ritmo.
Sí significa que apostar una compra a que la memoria volverá rápidamente a los precios de 2024 o 2025 tiene ahora mismo bastante incertidumbre.
La decisión debería partir del uso real.
Para modelos pequeños, probablemente ya haya suficiente hardware en muchos ordenadores actuales. Para 20B-30B, los 16-24 GB constituyen una zona especialmente interesante. Por encima aparecen los sistemas de memoria unificada y las GPU profesionales.
La pregunta para comprar una máquina de IA local en 2026 ya no debería ser simplemente qué GPU es más rápida.
Primero hay que decidir qué modelo se quiere ejecutar, cuánta memoria necesita realmente y durante cuántas horas va a utilizarse.
Solo entonces tiene sentido mirar la etiqueta del precio.
Preguntas frecuentes
¿Cuánta VRAM necesita un ordenador para ejecutar un LLM local?
Depende del modelo, cuantización y longitud de contexto. Como referencia, OpenAI especifica unos 16 GB para gpt-oss-20b y 80 GB para gpt-oss-120b, mientras muchos modelos cuantizados de tamaño intermedio pueden funcionar con 24-32 GB.
¿Sigue mereciendo la pena una RTX 3090 para IA en 2026?
Puede seguir siendo interesante por sus 24 GB de VRAM, especialmente en segunda mano. Su consumo y antigüedad son desventajas, pero la capacidad de memoria permite ejecutar modelos que no caben en tarjetas modernas de 16 GB.
¿Es mejor un Mac o una GPU NVIDIA para IA local?
Depende de la carga. NVIDIA mantiene la ventaja de su amplio ecosistema CUDA, mientras los Mac con mucha memoria unificada permiten cargar modelos mayores de los que cabrían en una GPU convencional con menos VRAM.
¿Es mejor comprar hardware o alquilar una GPU cloud?
Para uso ocasional, alquilar puede evitar una inversión de varios miles de euros. El hardware propio gana atractivo cuando se utiliza muchas horas, se necesita disponibilidad permanente o los datos no deben salir del entorno local.
